我一直在使用 sympy与微分方程系统一起使用。我象征性地编写方程式，使用autowrap通过Cython编译它们，然后将结果函数传递给Scipy Ode求解器。这样做的主要好处之一是，我可以使用sympy jacobian函数象征性地解决雅各布，并将其编译为ODE求解器。
这对大约30个变量的系统非常有用。最近，我尝试使用150个变量进行操作，而发生的事情是在编译Jacobian功能时用完了记忆。这是在Windows上使用Anaconda和Microsoft Visual C 14 python的工具。基本上，在雅各比式的汇编（现在是22000个元素的矢量）期间，链接步骤期间的内存使用量达到约7GB（在我的8GB笔记本电脑上），然后最终崩溃。
。有人去尝试使用更多内存的计算机之前，有人有一些建议吗？其他操作系统或其他C编译器是否可能改善情况？
我知道很多人从事这种类型的工作，因此，如果有答案，它将对社区的很大一部分有益。
编辑：响应乔纳森的一些评论：
是的，我完全知道这是一个n^2问题。Jacobian是所有部分衍生物的矩阵，因此它的尺寸为n^2。这个缩放没有真正的方法。但是，一个22000个元素数组不在运行时会造成内存问题的级别 - 我只在编译过程中遇到问题。
基本上有三个级别我们可以解决这个问题。
1）在没有Jacobian的情况下解决了ODE问题，或以某种方式将Jacobian分开以没有150x150矩阵。这将解决根源，但这肯定会限制我可以做的事情，而且我还不相信不可能编译Jacobian功能
是不可能的 2）更改有关sympy自动生成C代码的方式，将其分为多个块，使用更多功能进行中间表达式，以某种方式使.c文件较小。拥有更多Synspy经验的人可能对此有一些想法。
3）更改有关C编译C的方式，因此需要更少的内存。
我认为，通过发布一个围绕＃3的单独问题（大型数组的字面引用 - 编译器中的编译器），我会得到不同的受众回答。实际上，这正是发生的事情。也许＃3的答案是"您不能"，但这也是有用的信息。
遵循许多示例发布在http://www.sympy.org/scipy-2017-codegen-tutorial/我能够将其汇编为compile。
关键是1）而不是使用autowrap，而是直接编写C代码，以更多地控制它。除其他事项外，这允许将参数列表作为向量传递，而不是将其扩展。这花了一些努力来开始工作（通过驱动器等建立编译器标志等），但最终效果很好。将上面链接的课程中的存储库提供了很多帮助。
2）使用常见的子表达消除（sympy.cse）大大减少雅各布元素表达式的大小。
（1）本身并没有做太多帮助（尽管我能够使用它来大大提高较小型号的性能）。代码仍然为200 MB，而不是原始的300 MB。但是将其与（2）（cse）结合使用，我能够将其降低到1.7 MB（尽管有14000个临时变量）。
cse在我的笔记本电脑上大约需要20-30分钟。之后，它很快编译。